← 도서 서고로 돌아가기
BOOK DETAIL · YES24

머신러닝 플랫폼 엔지니어링

파이프라인부터 프로덕션까지, ML옵스와 LLM옵스로 완성하는 AI 시스템 구축

벤자민 탄 웨이 하오,샤눕 파드마나반,바룬 말랴 저/허정준 역

책만2026.07.20 출간
YES24 리뷰 평점 8.7
YES24 판매지수798
쪽수624쪽
YES24 판매가
10%31,500원35,000원
YES 포인트 1,750원판매중
YES24에서 구매·혜택 확인 (새 창)

최종 가격과 배송·적립 혜택은 YES24에서 확인해주세요.

INTRODUCTION

책 소개

쿠버네티스 기반으로 구축하는 실전 ML/LLM 플랫폼! 데이터 통합, 모델 훈련, 배포, 모니터링, 평가와 가드레일까지! OCR 기능, 영화 추천 프로그램 등 실제 머신러닝 프로덕션 시스템을 축약한 버전의 실전 프로젝트 예제를 통해, 완전한 ML옵스/LLM옵스 플랫폼을 처음부터 하나씩 만들어 프로덕션 배포하기까지 엔드투엔드 AI 시스템을 운영하는 데 필요한 전체 인프라와 워크플로 구축 방법을 배운다!
CONTENTS

목차

1부 ML옵스 기초 다지기 1장 ML옵스와 머신러닝 엔지니어링 시작하기 1.1 머신러닝 수명주기 __1.1.1 실험 단계 __1.1.2 개발/스테이징/프로덕션 단계 1.2 ML옵스에 필요한 역량 __1.2.1 머신러닝 엔지니어에게 필요한 역량 __1.2.2 사전 요구사항 1.3 머신러닝 플랫폼 구축 __1.3.1 직접 구축 vs 구매 __1.3.2 앞으로의 전망: ML옵스에서 LLM옵스로 __1.3.3 이 책에서 사용하는 도구 1.4 머신러닝 시스템 구축 __1.4.1 머신러닝 프로젝트 소개 __1.4.2 머신러닝 프로젝트 1.5 요약 2장 ML옵스란 무엇인가 2.1 반복적인 ML옵스 수명주기 __2.1.1 데이터 수집 __2.1.2 탐색적 데이터 분석 __2.1.3 모델링과 훈련 __2.1.4 모델 평가 __2.1.5 배포 __2.1.6 모니터링 __2.1.7 유지보수, 업데이트, 검토 2.2 견고한 ML옵스가 중요한 이유 2.3 성숙한 조직에서 ML옵스의 역할 2.4 데브옵스 vs ML옵스 2.5 ML옵스 성숙도 수준 __2.5.1 레벨 0: 기초 __2.5.2 레벨 1: 중급 __2.5.3 레벨 2: 고급 2.6 요약 3장 쿠버네티스 위에서 애플리케이션 구축하기 3.1 컨테이너와 도구 3.2 도커 __3.2.1 애플리케이션 코드 작성 __3.2.2 Dockerfile 작성하기 __3.2.3 도커 이미지 빌드 및 푸시 3.3 쿠버네티스 __3.3.1 쿠버네티스 아키텍처 개요 __3.3.2 kubectl __3.3.3 쿠버네티스 객체 __3.3.4 네트워킹과 서비스 __3.3.5 기타 객체 __3.3.6 헬름 차트 __3.3.7 결론 3.4 지속적 통합과 배포 __3.4.1 깃랩 CI __3.4.2 아르고 CD 3.5 프로메테우스와 그라파나 3.6 요약 2부 핵심 머신러닝 플랫폼 역량 구축 4장 신뢰할 수 있는 머신러닝 시스템 설계 4.1 실험 추적을 위한 ML플로 __4.1.1 데이터 탐색 __4.1.2 ML플로 추적 __4.1.3 ML플로 모델 레지스트리 4.2 피처 스토어로서의 피스트 __4.2.1 피처 등록 __4.2.2 피처 조회 __4.2.3 피처 서버 __4.2.4 피스트 UI 사용하기 4.3 요약 5장 머신러닝 파이프라인 오케스트레이션 5.1 큐브플로 파이프라인: 작업 오케스트레이터 __5.1.1 큐브플로 컴포넌트 __5.1.2 소득 분류기 파이프라인 5.2 요약 6장 머신러닝 모델 프로덕션화 6.1 배포 플랫폼으로서의 벤토ML __6.1.1 벤토 빌드하기 __6.1.2 벤토 빌드 및 푸시 __6.1.3 벤토 배포하기 6.2 데이터 드리프트 모니터링을 위한 에비던틀리 __6.2.1 데이터 드리프트 탐지 보고서와 대시보드 __6.2.2 데이터 드리프트 탐지 큐브플로 파이프라인 컴포넌트 __6.2.3 API로 배포된 모델의 데이터 드리프트 탐지 6.3 요약 3부 ML옵스 실전 적용 7장 데이터 분석 및 준비 7.1 데이터 분석 __7.1.1 큐브플로에서 노트북 서버 실행하기 __7.1.2 워크스페이스와 데이터 볼륨 __7.1.3 설정 및 어피니티/톨러레이션 __7.1.4 메뉴 커스터마이징 __7.1.5 큐브플로 커스텀 노트북 이미지 생성하기 7.2 데이터 전달 __7.2.1 시나리오 1: 다운스트림 컴포넌트에 단순 값 전달하기 __7.2.2 시나리오 2: 대용량 데이터를 위한 경로 전달 __7.2.3 KFP v2 아티팩트 타입 개요 7.3 데이터 준비 실습 __7.3.1 데이터 준비: 객체 탐지 __7.3.2 데이터 준비: 영화 추천기 7.4 요약 8장 모델 훈련과 검증 I 8.1 객체 탐지 모델 훈련 __8.1.1 커스텀 데이터셋으로 YOLO 훈련하기 __8.1.2 모델 훈련 __8.1.3 시스템 의존성을 위한 컨테이너 컴포넌트 __8.1.4 검증 컴포넌트 만들기 __8.1.5 파이프라인 생성하기 __8.1.6 파이프라인 실행하기 __8.1.7 모델 아티팩트 검증하기 8.2 요약 9장 모델 훈련과 검증 II 9.1 PersistentVolumeClaim으로 데이터 저장하기 __9.1.1 PVC로 파이프라인 리팩터링 __9.1.2 효율적인 데이터셋 관리 __9.1.3 VolumeOp 생성하기 __9.1.4 PVC를 활용한 download_op __9.1.5 데이터셋 직접 분할 __9.1.6 모델 훈련 간소화 __9.1.7 모델 검증 간소화 9.2 텐서보드로 훈련 추적하기 __9.2.1 새 텐서보드 실행하기 __9.2.2 YOLOv8 기본 그래프 살펴보기 9.3 영화 추천기 프로젝트 __9.3.1 MinIO에서 데이터 읽기 및 품질 보증 __9.3.2 모델 훈련 컴포넌트 __9.3.3 평가 지표 __9.3.4 ML플로를 활용한 실험 추적 __9.3.5 ML플로를 활용한 모델 레지스트리 __9.3.6 컴포넌트로 파이프라인 구성하기 __9.3.7 노트북에서의 로컬 추론 9.4 요약 10장 모델 추론과 서빙 10.1 모델 배포는 어렵다 10.2 벤토ML: 모델 배포를 간소화하다 10.3 벤토ML 빠르게 훑어보기 __10.3.1 벤토ML 서비스와 러너 10.4 벤토ML 서비스 로컬 실행 __10.4.1 벤토ML 러너로 모델 불러오기 10.5 벤토 빌드: 배포를 위한 서비스 패키징 __10.5.1 벤토 태그: Bento의 버전 관리 10.6 벤토ML과 ML플로 추론 10.7 ML플로만 사용해 추론 서비스 구축하기 10.8 K서브: 벤토ML의 대안 10.9 요약 11장 모니터링과 설명 가능성 11.1 모니터링 __11.1.1 기본 모니터링 __11.1.2 커스텀 지표 __11.1.3 로깅 __11.1.4 알림 11.2 데이터 드리프트 탐지 __11.2.1 객체 탐지 __11.2.2 영화 추천기 11.3 설명 가능성 __11.3.1 객체 탐지 __11.3.2 영화 추천 11.4 요약 4부 LLM을 위한 ML옵스 확장 12장 LLM 기반 시스템 설계 12.1 LLM옵스: 새로운 도전, 익숙한 원칙 __12.1.1 LLM 애플리케이션이 다른 이유 __12.1.2 LLM을 위한 머신러닝 플랫폼 확장 __12.1.3 LLM 애플리케이션을 위한 핵심 도구 12.2 DataKrypt의 DakkaBot 구축: 간단한 RAG 아키텍처 __12.2.1 구축하게 될 시스템 __12.2.2 단일 API 호출을 넘어서: 조합 가능성을 고려한 설계 __12.2.3 구글의 제미나이 LLM과 임베딩 __12.2.4 검색 컴포넌트 __12.2.5 증강 컴포넌트 __12.2.6 생성 컴포넌트 12.3 DakkaBot에 UI 추가하기 12.4 LLM 애플리케이션을 위한 관측 가능성 __12.4.1 도커로 랭퓨즈 설치하기 __12.4.2 랭퓨즈와 DakkaBot 통합 __12.4.3 DakkaBotCore의 관측 가능성 강화 __12.4.4 전통적인 지표를 넘어서 12.5 요약 13장 프로덕션 LLM 시스템 설계 13.1 프롬프트 엔지니어링: 생성형 AI 시대의 코드 __13.1.1 프롬프트를 핵심 인프라로 취급하기 __13.1.2 DakkaBot을 위한 랭퓨즈 프롬프트 관리 __13.1.3 프로덕션 환경을 위한 랭퓨즈 프롬프트 관리 13.2 LLM 애플리케이션 테스트 __13.2.1 LLM 응답을 위한 평가 프레임워크 __13.2.2 안전성 및 적대적 테스트 13.3 프로덕션 환경의 거버넌스와 안전성 __13.3.1 안전 가드레일 구현 13.4 비용 최적화 전략 __13.4.1 LLM 경제성 이해하기 __13.4.2 모델 선택 전략 __13.4.3 캐싱 전략 __13.4.4 효율성을 위한 프롬프트 최적화 __13.4.5 프로덕션 비용 모니터링 __13.4.6 전통적인 머신러닝에서 LLM옵스로 13.5 요약 부록 A 설치 및 설정 A.1 커맨드라인 도구의 로컬 설치(맥 및 리눅스) __A.1.1 yq YAML 프로세서 __A.1.2 Kustomize __A.1.3 kubectl __A.1.4 K8s 배포판 __A.1.5 k3s 설치 __A.1.6 MicroK8s 설치 __A.1.7 아르고 CD __A.1.8 큐브플로 __A.1.9 클라우드 제공자 K8s 설정 __A.1.10 ML플로 설정 A.2 ML플로 배포 __A.2.1 레디스 온라인 스토어 설정 __A.2.2 벤토ML 및 야타이 설정 __A.2.3 에비던틀리 UI 설정 부록 B YAML 기초 B.1 기본 YAML 파일 __B.1.1 주석 __B.1.2 스칼라 값 __B.1.3 리스트 __B.1.4 중첩 구조(맵) __B.1.5 따옴표로 감싼 문자열 __B.1.6 여러 줄 문자열 __B.1.7 YAML의 데이터 타입 B.2 별칭과 앵커 __B.2.1 참조(데이터 병합 및 재사용) __B.2.2 복합 데이터 타입 __B.2.3 커스텀 데이터 타입 __B.2.4 블록 스타일 vs 플로우 스타일 __B.2.5 키 정렬과 대소문자 구분 __B.2.6 모범 사례
AUTHOR

작가 소개

벤저민 탄 웨이 하오 저

디카탈리스(DKatalis)에서 데이터 과학 부문의 수석 엔지니어 겸 프로덕트 매니저로, 우수한 머신러닝 엔지니어, 데이터 과학자, 데이터 엔지니어로 구성된 팀을 이끌고 있다. 이 역할에서 데이터 과학과 ML옵스 기법을 적용하여 뱅크 자고(Bank Jago) 애플리케이션을 개선 및 최적화하고, 수백만 인도네시아인의 디지털 경험을 향상하고 있다.

BOOK INFORMATION

도서 정보

출판사
책만
출간일
2026.07.20
ISBN13
9791124309117
ISBN10
112430911X
원제
Machine Learning Platform Engineering: Build an internal developer platform for ML and AI systems
상품 유형
도서
쪽수
624쪽
무게
910g
크기
185 × 240 × 30mm
YES24도서 정보 제공 · YES24정보 업데이트 2026.11.22 10:14 (한국 시간)

이 페이지에는 제휴 링크가 포함되어 있습니다. 링크를 통한 구매 시 잡학서고에 수수료가 지급될 수 있습니다.

가격·판매 상태·혜택은 바뀔 수 있으며, 최종 정보는 YES24에서 확인해주세요.